Neinformované metody prohledávání stavového prostoru. Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague
|
|
- Antonie Fišerová
- před 5 lety
- Počet zobrazení:
Transkript
1 Neinformované metody prohledávání stavového prostoru Michal Pěchouček Gerstner Laboratory Agent Technology Group, Czech Technical University in Prague tkrajnik/kui2/data/k333/1.pdf
2 ṕuvodní poznámka o umělé inteligenci Umělá inteligence, jako věda o poznání lidského uvažování a povahy lidských znalostí pomocí modelování těchto na počítači, se děĺı do 3 základních větví: symbolický funkcionalismus škola umělé inteligence, která je založena na modelování inteligence pomocí modelování manipulace se symboly a jejich representace příklad: znalostní systémy, automatické dokazování, plánování konecionismus škola umělé inteligence, která je založena na modelování inteligence pomocí velkého počtu stejných, fixně svázaných a interagujících výpočetních jednotek příklad: neuronové sítě behavioralismus který je založen na předpokladu že kombinací velkého počtu specializovaných, ale neinteligentních procesů (černých krabiček) lze dosáhnout inteligentního chování příklad: inteligentní robotika hybridní přístupy: multi-agentní přístupy, genetické algoritmy, artificial life,... /Úvod
3 ṕuvodní poznámka o umělé inteligenci Symbolický funkcionlismus je založen na modelování dvou základních aspektů inteligentního uvažování: znalostí uvažování Obojí lze modelovat na různých úrovních obecnosti. Silné metody umožňují obecné modely uvažování, zatímco slabé metody jsou specifické :: Zjednodušená úloha umělé inteligence podle symbolického funkcionalismu tedy zní: jak reprezentovat ty správné znalosti a naprogramovat takové uvažovací mechanismy, které obohatí soubor znalostí o nové hypotézy. /Úvod
4 ṕuvodní poznámka o umělé inteligenci Mějme dva extrémní případy implementace umělé inteligence podle symbolického funkcionalismu: silný znalosti jsou reprezentovány pomocí systému predikátové logiky a uvažování je reprezentováno výpočetním modelem dedukce slabý znalosti jsou reprezentovány jako množina výroků a uvažování je reprezentováno pomocí souboru if-then pravidel V obojím případě je množina nových znalostí (ať už vytvořených nebo hypotetických) veliká a je potřeba ji inteligentně vytvářet a prohledávat. Strategie prohledávání je součástí modelu uvažování. Prostor nových znalostí se nazývá stavový prostor. Při řešení problémů se skládá stavový prostor z meziřešení či pomocných hypotéz. Některá meziřešení jsou klasfikovaná jako cílová řešení. /Stavový prostor
5 pstavový prostor Řešení problémů, jako jeden z projevů inteligentní uvažování, je chápáno jako problém nalezní (z počátečního stavu s 0 ) takového stavu s n, který splňuje vlastnosti požadovaného řešení goal(s n ). Takovéto stavy nazýváme cílové s goal. V některých případech se definuje řešení problému jako problém nalezeni cesty z počátečního uzlu do uzlu cílového. Zde neprohledáváme prostor uzlů ale prostor cest. Problém prohledávání stavového prostoru je tedy definován pomocí počátečního stavu - s 0 vlastností cílových stavů goal(s n ) množiny stavových operátorů, objektivní funkce, ohodnocení ceny použití stavových operátoru Příklady: 8-queens problem, cryptaritmetic, šachy, 8-puzzle, dokazování v matema-tice, porouzmění přirozenému jazyku, plánování a rozvrhování, robotická navigace, Situace se vážně komplikuje v případě, že se jedná o dynamicky se měnící stavový prostor například, pří řešení problému v dynamickém prostředí nebo hře s kompetitvním oponentem. /Stavový prostor
6 p8-puzzle /Stavový prostor
7 pthe 8 queen problem /Stavový prostor
8 pcryptoarithmetic forty solution: e.g. f=2, o=9, r=7, etc. + ten ten sixty /Stavový prostor
9 ptravelling Salesman /Stavový prostor
10 pprohledávání Stavového Prostoru Stejně jako při modelování umělé inteligence tak při prohledávání stavového prostoru řešíme problémy s reprezentací stavového prostoru implementace stavových operátorů (fun-kce expand), zabránění cyklům,... algoritmu prohledávání rozhodnutí, který operátor expandovat jako první, odhady, heuristiky co požadujeme od úspěšného algoritmu? je zaručeno, že algoritmus najde řešení, prohledá celý stavový prostor? úplnost ukončí se algoritmus? najde algoritmus vždy optimální řešení? optimalita jaká je komplexita prohledávání? časová and paměťová náročnost /Stavový prostor
11 pprohledávání Stavového Prostoru /Stavový prostor
12 pprohledávání Stavového Prostoru /Stavový prostor
13 pprohledávání Stavového Prostoru /Stavový prostor
14 pprohledávání Stavového Prostoru /Stavový prostor
15 pprohledávání Stavového Prostoru /Stavový prostor
16 pstrategie neinformovaného prohledávání stavového prostoru dopředné řetězení forward chaining prohledává prostor od počátku k cíli, aplikuje stavové operátory za účelem nalezení nových stavů, process iterativně pokračuje než je nalezeno řešení zpětné řetězení backward chaining prohledává prostor od cíle k počátku hledá stavové operátory, které generují aktuální stavy podmínky těchto operátorů generují nové cíle process pokračuje až do stavu, který popisuje daný problém oboustranné prohledávání prohledává stavový prostor z obou stran /Stavový prostor
17 pstrategie neinformovaného prohledávání stavového prostoru algoritmy prohledávání se děĺı také podle toho v jakém pořadí jsou aplikovány aplikovatelné stavové operátory prohledávání do hloubky vždy aplikuje stavový operátor na co nejčerstvěji rozbalený stav, v případě selhání aplikuje backtracking prohledávání do šířky nejprve prohledá všechny stavy, které jsou stejně daleko od počátečního stavu před tím než expanduje o další úroveň datové struktury pro prohledávání stavového prostoru: 1. stavový prostor ve formě orientovaného grafu 2. seznamy, které se používají pro prohledávání stavového prostoru : open list seznam otevřených stavů, slouží k řízení stavové expanze closed list seznam prohledaných uzlů, slouží k zabránění zacyklení /BFS
18 pprohledávání do šířky Breadth First Search (BFS) /BFS
19 pprohledávání do šířky Breadth First Search (BFS) /BFS
20 pprohledávání do šířky Breadth First Search (BFS) begin _open <= [Start] while (_open =/= []) do begin X <= first(_open) _open <= _open - [X] if X = GOAL then return(success) else begin E <= expand(x) _open <= _open + E end end return(failure) end. /BFS
21 pprohledávání do šířky Breadth First Search (BFS) /BFS
22 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum /BFS
23 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum doba trvání algoritmu? /BFS
24 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum doba trvání algoritmu? pro seq = n, T (n) = 2n + 2 /BFS
25 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum doba trvání algoritmu? pro seq = n, T (n) = 2n + 2 pro různá n můžem pracovat s T (n) avg a T (n) worst asymptotická analýza algortimu? /BFS
26 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum doba trvání algoritmu? pro seq = n, T (n) = 2n + 2 pro různá n můžem pracovat s T (n) avg a T (n) worst asymptotická analýza algortimu? T (n) O(f(n)) if T (n) kf(n) forall n /BFS
27 pvsuvka - analýza algoritmů function SUM(_seq) _sum <= 0 for i : 1 to length(_seq) _sum = _sum + _seq return _sum doba trvání algoritmu? pro seq = n, T (n) = 2n + 2 pro různá n můžem pracovat s T (n) avg a T (n) worst asymptotická analýza algortimu? T (n) O(f(n)) if T (n) kf(n) forall n classes of problems: P problémy O(n), O(log n) NP problémy nondeterministické P problémy NP-úplné problémy třída NP problémů, které nejsou P a mají exp. náročnost /BFS
28 pvlastnosti BFS /BFS
29 pvlastnosti BFS úplné: /BFS
30 pvlastnosti BFS úplné: ANO (je-li b konečné) /BFS
31 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: /BFS
32 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d /BFS
33 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: /BFS
34 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(b d ) /BFS
35 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(b d ) optimální: /BFS
36 pvlastnosti BFS úplné: ANO (je-li b konečné) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(b d ) optimální: ano, optimalizuje-li se hloubka /DFS
37 pprohledávání do hloubky Depth First Search (DFS) /DFS
38 pprohledávání do hloubky Depth First Search (DFS) /DFS
39 pprohledávání do hloubky Depth First Search (DFS) /DFS
40 pprohledávání do hloubky Depth First Search (DFS) /DFS
41 pprohledávání do hloubky Depth First Search (DFS) /DFS
42 pprohledávání do hloubky Depth First Search (DFS) begin _open <= [Start] while (_open =/= []) do begin X <= first(_open) _open <= _open - [X] if X = GOAL then return(success) else begin E <= expand(x) _open <= _open + E end end return(failure) end. /DFS
43 pprohledávání do hloubky Depth First Search (DFS) begin _open <= [Start] while (_open =/= []) do begin X <= first(_open) _open <= _open - [X] if X = GOAL then return(success) else begin E <= expand(x) _open <= E + _open end end return(failure) end. /DFS
44 pprohledávání do hloubky Depth First Search (DFS) begin _open <= [Start], _closed <= [] while (_open =/= []) do begin X <= first(_open) _closed <= _closed + [X], _open <= _open - [X] if X = GOAL then return(success) else begin E <= expand(x) E <= E - _closed _open <= _open + E end end return(failure) end. /DFS
45 pvlastnosti DFS /DFS
46 pvlastnosti DFS úplné: /DFS
47 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) /DFS
48 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: /DFS
49 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d /DFS
50 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: /DFS
51 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(bd) /DFS
52 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(bd) optimální: /DFS
53 pvlastnosti DFS úplné: NE (není-li b konečné, nebo existují-li smyčky) čas: 1 + b + b 2 + b b d = O(b d+1 ) tzn. exponenciálně podle d paměť: O(bd) optimální: ne /IDDFS
54 palternativní strategie DLDS (Depth-limited) search: prohledávání do hloubky s omezenou hloubkou prohledávání IDDFS (Iterative deepening) search: prohledávání do hloubky s iterativní se zvyšující hloubkou prohledávání Algorithm: 1. depth_bound=1 2. DFS with a depth_bound 3. if success then end else depth_bound = depth_bound + 1 and go to the step 2. /IDDFS
55 palgoritmus IDDFS prohledávání /IDDFS
56 palgoritmus IDDFS prohledávání /IDDFS
57 palgoritmus IDDFS prohledávání /IDDFS
58 palgoritmus IDDFS prohledávání /IDDFS
59 pvlastnosti IDDFS /IDDFS
60 pvlastnosti IDDFS úplné: /IDDFS
61 pvlastnosti IDDFS úplné: ANO (je-li b konečné) /IDDFS
62 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: /IDDFS
63 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) /IDDFS
64 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) paměť: /IDDFS
65 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) paměť: O(bd) /IDDFS
66 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) paměť: O(bd) optimální: /IDDFS
67 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) paměť: O(bd) optimální: ano, optimalizuje-li se hloubka /IDDFS
68 pvlastnosti IDDFS úplné: ANO (je-li b konečné) čas: d1 + (d 1)b + (d 2)b 2 + (d 3)b b d < db d = O(b d ) paměť: O(bd) optimální: ano, optimalizuje-li se hloubka provnání: pro b = 10 a d = 5 v nejhorším případě: N(ids) = , , , 000 = 123, 450 N(bfs) = , , , 000 = 111, 100 /IDDFS
69 palternativní strategie Bidirectional search /IDDFS
70 pporovnání Strategíı kritérium/algoritmus BFS DFS Dlim IDDFS BiDir čas b n b n b n b n b d 2 paměť b n bn bl bn b d 2 optimalita ano ne ne ano ano úplnost ano ne ne ano ano /IDDFS
Neinformované metody prohledávání stavového prostoru Michal Pěchouček, Milan Rollo. Department of Cybernetics Czech Technical University in Prague
Neinformované metody prohledávání stavového prostoru Michal Pěchouček, Milan Rollo Department of Cybernetics Czech Technical University in Prague http://cw.felk.cvut.cz/doku.php/courses/a3b33kui/start
VíceÚloha ve stavovém prostoru SP je <s 0, C>, kde s 0 je počáteční stav C je množina požadovaných cílových stavů
Stavový prostor a jeho prohledávání SP = formalismus k obecnějšímu uchopení a vymezení problému, který spočívá v nalezení posloupnosti akcí vedoucích od počátečního stavu úlohy (zadání) k požadovanému
VíceObsah: Problém osmi dam
Prohledávání stavového prostoru leš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Problém osmi dam Prohledávání stavového prostoru Neinformované prohledávání Úvod do umělé inteligence
VíceState Space Search Step Run Editace úloh Task1 Task2 Init Clear Node Goal Add Shift Remove Add Node Goal Node Shift Remove, Add Node
State Space Search Po spuštění appletu se na pracovní ploše zobrazí stavový prostor první předpřipravené úlohy: - Zeleným kroužkem je označen počáteční stav úlohy, který nemůže být změněn. - Červeným kroužkem
VíceUmělá inteligence I. Roman Barták, KTIML. roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Agent s reflexy pouze převádí současný vjem na jednu akci. Agent s cílem umí plánovat několik akcí
Více"Agent Hledač" (3. přednáška)
"Agent Hledač" (3. přednáška) Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty Přehled 3. přednášky v této přednášce se budeme zabývat "goal-based" agenty připomeňme, že "goal-based"
VíceUmělá inteligence. UI (AI) - součást informatiky s průniky mimo obor Stručná historie UI. Letošní cena nadace Vize 2000 - Joseph Weizenbaum
Umělá inteligence UI (AI) - součást informatiky s průniky mimo obor Stručná historie UI 1943-56 začátky (modelování neuronů a sítí na počítači) 1952-69 velká očekávání (GPS, Lisp, microworlds) 1966-74
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 20. září 2016 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
VíceZáklady umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
VíceAlgoritmizace prostorových úloh
INOVACE BAKALÁŘSKÝCH A MAGISTERSKÝCH STUDIJNÍCH OBORŮ NA HORNICKO-GEOLOGICKÉ FAKULTĚ VYSOKÉ ŠKOLY BÁŇSKÉ - TECHNICKÉ UNIVERZITY OSTRAVA Algoritmizace prostorových úloh Grafové úlohy Daniela Szturcová Tento
VíceHledáme efektivní řešení úloh na grafu
Hledáme efektivní řešení úloh na grafu Mějme dán graf následující úlohy: G = ( V, E), chceme algoritmicky vyřešit Je daný vrchol t dosažitelný z vrcholu s? Pokud ano, jaká nejkratší cesta tyto vrcholy
Více! Kyberne(ka!a!umělá!inteligence! 8.!Hraní!dvouhráčových!her,!adversariální! prohledávání!stavového!prostoru!!!!
! Kyberne(ka!a!umělá!inteligence! 8.!Hraní!dvouhráčových!her,!adversariální! prohledávání!stavového!prostoru!!!! Ing.%Michal%Pěchouček,%Ph.D.% Katedra%kyberne;ky% ČVUT%v%Praze,%FEL% Evropský!sociální!fond!
VíceMetody návrhu algoritmů, příklady. IB111 Programování a algoritmizace
Metody návrhu algoritmů, příklady IB111 Programování a algoritmizace 2011 Návrhu algoritmů vybrané metody: hladové algoritmy dynamické programování rekurze hrubá síla tato přednáška: především ilustrativní
Vícebfs, dfs, fronta, zásobník, prioritní fronta, halda
bfs, dfs, fronta, zásobník, prioritní fronta, halda Petr Ryšavý 19. září 2017 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší
VíceŘešení: PŘENESVĚŽ (N, A, B, C) = přenes N disků z A na B pomocí C
Hanojské věže - 3 kolíky A, B, C - na A je N disků různé velikosti, seřazené od největšího (dole) k nejmenšímu (nahoře) - kolíky B a C jsou prázdné - úkol: přenést všechny disky z A na B, mohou se odkládat
VíceZáklady umělé inteligence
Základy umělé inteligence Hraní her (pro 2 hráče) Základy umělé inteligence - hraní her. Vlasta Radová, ZČU, katedra kybernetiky 1 Hraní her (pro dva hráče) Hraní her je přirozeně spjato s metodami prohledávání
Vícebfs, dfs, fronta, zásobník
bfs, dfs, fronta, zásobník Petr Ryšavý 25. září 2018 Katedra počítačů, FEL, ČVUT prohledávání grafů Proč prohledávání grafů Zkontrolovat, zda je sít spojitá. Hledání nejkratší cesty, plánování cest. Prohledávání
VíceMatice sousednosti NG
Matice sousednosti NG V = [ v ij ] celočíselná čtvercová matice řádu U v ij = ρ -1 ( [u i, u j ] )... tedy počet hran mezi u i a u j?jaké vlastnosti má matice sousednosti?? Smyčky, rovnoběžné hrany? V
VícePROHLEDÁVÁNÍ GRAFŮ. Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze
PROHLEDÁVÁNÍ GRAFŮ Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2010/2011, Lekce 4 Evropský sociální fond Praha & EU: Investujeme do
VíceSeminář z umělé inteligence. Otakar Trunda
Seminář z umělé inteligence Otakar Trunda Plánování Vstup: Satisficing task: počáteční stav, cílové stavy, přípustné akce Optimization task: počáteční stav, cílové stavy, přípustné akce, ceny akcí Výstup:
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
VícePROBLÉM OSMI DAM II. Problém osmi dam. Obsah:
Úvod do umělé inteligence RÉ S úkol: Rozestavte po šachovnici 8 dam tak, aby se žádné dvě vzájemně neohrožovaly. -mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ bsah: rohledávání do hloubky rohledávání
VíceTGH05 - aplikace DFS, průchod do šířky
TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 31. března 2015 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující
VíceHanojská věž. T2: prohledávání stavového prostoru. zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3]
Hanojská věž zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3] který tah je lepší? (co je lepší tah?) P. Berka, 2012 1/21 Stavový prostor 1. množina stavů S = {s} 2. množina přechodů
VíceDepartment of Cybernetics Czech Technical University in Prague. pechouc/kui/games.pdf
Hraní dvouhráčových her, adversariální prohledávání stavového prostoru Michal Pěchouček Department of Cybernetics Czech Technical University in Prague http://labe.felk.cvut.cz/ pechouc/kui/games.pdf ppoužitá
VícePlánování se stavovým prostorem
Plánování se stavovým prostorem 22. března 2018 1 Opakování: plánovací problém a reprezentace 2 Dopředné plánování 3 Zpětné plánování 4 Doménově závislé plánování Zdroj: Roman Barták, přednáška Plánování
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ metodický list č. 1 Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do těchto dílčích témat: 1. Řešení úloh ve stavovém
VíceTGH05 - aplikace DFS, průchod do šířky
TGH05 - aplikace DFS, průchod do šířky Jan Březina Technical University of Liberec 28. března 2017 Grafová formulace CPM (critical path method) Orientovaný acyklický graf (DAG) je orientovaný graf neobsahující
VíceLogika a logické programování
Logika a logické programování témata ke zkoušce Poslední aktualizace: 16. prosince 2009 Zkouška je písemná, skládá se obvykle ze sedmi otázek (může být více nebo méně, podle náročnosti otázek), z toho
VíceUmělá inteligence I. Roman Barták, KTIML.
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Neinformované (slepé) prohledávání umí najít (optimální) řešení problému, ale ve většině případů
VíceProhledávání stavového prostoru
Prohledávání stavového prostoru State space search Jan Kybic http://cmp.felk.cvut.cz/~kybic kybic@fel.cvut.cz 2016 2017 1 / 45 Stavový prostor Prohledávání do hloubky Prohledávání do šířky Informované
VícePravidlové znalostní systémy
Pravidlové znalostní systémy 31. října 2017 2-1 Tvary pravidel Pravidla (rules) mohou mít například takovéto tvary: IF předpoklad THEN závěr IF situace THEN akce IF podmínka THEN závěr AND akce IF podmínka
Více1. Prohledávání stavového prostoru
Obsah 1. Prohledávání stavového prostoru... 2 1.1. Základní informace... 2 1.2. Výstupy z učení... 2 1.3. Úvod... 2 1.4. Definice stavového prostoru... 3 1.1.1. Reprezentace stavového prostoru... 3 1.1.2.
VíceGrafové algoritmy. Programovací techniky
Grafové algoritmy Programovací techniky Grafy Úvod - Terminologie Graf je datová struktura, skládá se z množiny vrcholů V a množiny hran mezi vrcholy E Počet vrcholů a hran musí být konečný a nesmí být
VíceHry a UI historie. von Neumann, 1944 algoritmy perfektní hry Zuse, Wiener, Shannon, přibližné vyhodnocování
Hry a UI historie Hry vs. Prohledávání stavového prostoru Hry a UI historie Babbage, 1846 počítač porovnává přínos různých herních tahů von Neumann, 1944 algoritmy perfektní hry Zuse, Wiener, Shannon,
VíceAproximativní algoritmy UIN009 Efektivní algoritmy 1
Aproximativní algoritmy. 14.4.2005 UIN009 Efektivní algoritmy 1 Jak nakládat s NP-těžkými úlohami? Speciální případy Aproximativní algoritmy Pravděpodobnostní algoritmy Exponenciální algoritmy pro data
VíceMATEMATICKÁ TEORIE ROZHODOVÁNÍ
MATEMATICKÁ TEORIE ROZHODOVÁNÍ Metodický list č. 1 Název tématického celku: Řešení úloh Cílem tohoto tematického celku je vysvětlení vybraných pojmů z oblasti řešení úloh. Tématický celek je rozdělen do
VíceŘEŠITEL HRY GRIDDLERS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV INFORMAČNÍCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF INFORMATION SYSTEMS ŘEŠITEL HRY GRIDDLERS
VíceVYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA STROJNÍHO INŽENÝRSTVÍ ÚSTAV AUTOMATIZACE A INFORMATIKY FACULTY OF MECHANICAL ENGINEERING INSTITUTE OF AUTOMATION AND COMPUTER SCIENCE
VíceProhledávání do šířky a do hloubky. Jan Hnilica Počítačové modelování 15
Prohledávání do šířky a do hloubky Jan Hnilica Počítačové modelování 15 1 Prohledávací algoritmy Úkol postupně systematicky prohledat vymezený stavový prostor Stavový prostor (SP) možné stavy a varianty
VíceExpertní systémy. 1. Úvod k expertním systémům. Cíl kapitoly:
Expertní systémy Cíl kapitoly: Úkolem této kapitoly je pochopení významu expertních systémů, umět rozpoznat expertní systémy od klasicky naprogramovaných systémů a naučit se jejich tvorbu a základní vlastnosti.
VícePlánování: reprezentace problému
Plánování: reprezentace problému 15. března 2018 1 Úvod 2 Konceptuální model 3 Množinová reprezentace 4 Klasická reprezentace Zdroj: Roman Barták, přednáška Plánování a rozvrhování, Matematicko-fyzikální
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceStromy, haldy, prioritní fronty
Stromy, haldy, prioritní fronty prof. Ing. Pavel Tvrdík CSc. Katedra počítačů FEL České vysoké učení technické DSA, ZS 2008/9, Přednáška 6 http://service.felk.cvut.cz/courses/x36dsa/ prof. Pavel Tvrdík
VíceOptimizing Limousine Service with AI. David Marek
Optimizing Limousine Service with AI David Marek Airport Limousine Services Ltd. (ALS) Jedna z největších firem zajišťujících dopravu v Hong Kongu Luxusní limuzíny a kyvadlová doprava 24 hodin denně 2
VíceExpe xp rtn t í n í sys s t ys é t my m PSY 481
Expertní systémy PSY 481 Stavové pole Expertní systémy (produkční systémy) mohou být přirovnány k nástrojům používaným při řešení problémů (problem solving). Konkrétněji na technikách založených na hledání
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 21.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 21. září 2018 Jiří Dvorský (VŠB TUO) Vyhledávání 242 / 433 Osnova přednášky
VíceZáklady informatiky. 07 Teorie grafů. Kačmařík/Szturcová/Děrgel/Rapant
Základy informatiky 07 Teorie grafů Kačmařík/Szturcová/Děrgel/Rapant Obsah přednášky barvení mapy teorie grafů definice uzly a hrany typy grafů cesty, cykly, souvislost grafů Barvení mapy Kolik barev je
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceZákladní datové struktury III: Stromy, haldy
Základní datové struktury III: Stromy, haldy prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní
VíceOptimalizace & soft omezení: algoritmy
Optimalizace & soft omezení: algoritmy Soft propagace Klasická propagace: eliminace nekonzistentních hodnot z domén proměnných Soft propagace: propagace preferencí (cen) nad k-ticemi hodnot proměnných
VíceHeuristiky, best-first search, A* search
Informované prohledávání stavového prostoru Heuristiky, best-first search, A* search Obsah: Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Informované prohledávání stavového prostoru Neinformované
VíceÚvod do teorie grafů
Úvod do teorie grafů Neorientovaný graf G = (V,E,I) V množina uzlů (vrcholů) - vertices E množina hran - edges I incidence incidence je zobrazení, buď: funkce: I: E V x V relace: I E V V incidence přiřadí
VíceSlepé prohledávání do šířky Algoritmus prohledávání do šířky Při tomto způsobu prohledávání máme jistotu, že vždy nalezneme koncový stav, musíme ale p
Hanojská věž Stavový prostor 1. množina stavů S = {s} 2. množina přechodů mezi stavy (operátorů) Φ = {φ} s k = φ ki (s i ) zadání [1 1 1] řešení [3 3 3] dva možné první tahy: [1 1 2] [1 1 3] který tah
VíceAsociační pravidla. Informační a komunikační technologie ve zdravotnictví. Biomedical Data Processing G r o u p
Asociační pravidla Informační a komunikační technologie ve zdravotnictví Definice pojmů Stavový prostor S je množina uzlů(stavů), kde cílem je najít stav splňující danou podmínku g. Formálně je problém
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
VícePočítačové šachy. Otakar Trunda
Počítačové šachy Otakar Trunda Hraní her obecně Hra je definovaná pomocí: Počáteční situace Funkce vracející množinu přípustných tahů v každé situaci Ohodnocení koncových stavů Našim cílem je najít strategii
VíceUmělá inteligence I. Roman Barták, KTIML.
Umělá inteligence I Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Na úvod Minule jsme si řekli, jak využívat heuristiky v prohledávání a jak konstruovat heuristiky BFS,
Více7. Inferenční metody. Inferenční metody Václav Matoušek, Josef Strolený Úvod do znalostního inženýrství, ZS 2014/
Inferenční metody 18.11.2014 7-1 Inferenční metody Rezoluční systémy Dopředné a zpětné řetězení Výběr dotazu Nemonotónní usuzování 7-2 a) Česká Literatura Dvořák J.: Expertní systémy. Skriptum VUT Brno,
Více2. Řešení úloh hraní her Hraní her (Teorie a algoritmy hraní her)
Hraní her (Teorie a algoritmy hraní her) 4. 3. 2015 2-1 Hraní her pro dva a více hráčů Počítač je při hraní jakékoli hry: silný v komplikovaných situacích s množstvím kombinací, má obrovskou znalost zahájení
Více10. Složitost a výkon
Jiří Vokřínek, 2016 B6B36ZAL - Přednáška 10 1 Základy algoritmizace 10. Složitost a výkon doc. Ing. Jiří Vokřínek, Ph.D. Katedra počítačů Fakulta elektrotechnická České vysoké učení technické v Praze Jiří
VíceParalelní grafové algoritmy
Paralelní grafové algoritmy Značení Minimální kostra grafu Nejkratší cesta z jednoho uzlu Nejkratší cesta mezi všemi dvojicemi uzlů Použité značení Definition Bud G = (V, E) graf. Pro libovolný uzel u
VíceProhledávání do šířky = algoritmus vlny
Prohledávání do šířky = algoritmus vlny - souběžně zkoušet všechny možné varianty pokračování výpočtu, dokud nenajdeme řešení úlohy průchod stromem všech možných cest výpočtu do šířky, po vrstvách (v každé
VíceLineární diskriminační funkce. Perceptronový algoritmus.
Lineární. Perceptronový algoritmus. Petr Pošík Czech Technical University in Prague Faculty of Electrical Engineering Dept. of Cybernetics P. Pošík c 2012 Artificial Intelligence 1 / 12 Binární klasifikace
VíceUITS / ISY. Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně. ISY: Výzkumná skupina inteligentních systémů 1 / 14
UITS / ISY Výzkumná skupina inteligentních systémů Ústav inteligentních systémů Fakulta informačních technologií VUT v Brně ISY: Výzkumná skupina inteligentních systémů 1 / 14 Obsah Představení skupiny
VíceČasová a prostorová složitost algoritmů
.. Časová a prostorová složitost algoritmů Programovací techniky doc. Ing. Jiří Rybička, Dr. ústav informatiky PEF MENDELU v Brně rybicka@mendelu.cz Hodnocení algoritmů Programovací techniky Časová a prostorová
VíceAlgoritmus Minimax. Tomáš Kühr. Projektový seminář 1
Projektový seminář 1 Základní pojmy Tah = přemístění figury hráče na tahu odpovídající pravidlům dané hry. Při tahu může být manipulováno i s figurami soupeře, pokud to odpovídá pravidlům hry (např. odstranění
VíceČasová složitost / Time complexity
Časová složitost / Time complexity Jan Kybic http://cmp.felk.cvut.cz/~kybic kybic@fel.cvut.cz 2016 2018 1 / 24 Složitost algoritmů Algorithm complexity Časová a paměťová složitost Trvání výpočtu v závislosti
VíceVraťme se k základům: DFS = Depth First Search
Prohledávání do hloubky Vraťme se k základům: DFS = Depth First Search DFS Programování s omezujícími podmínkami Roman Barták Katedra teoretické informatiky a matematické logiky roman.bartak@mff.cuni.cz
Vícepopel, glum & nepil 16/28
Lineární rezoluce další způsob zjemnění rezoluce; místo stromu směřujeme k lineární struktuře důkazu Lineární rezoluční odvození (důkaz) z Ë je posloupnost dvojic ¼ ¼ Ò Ò taková, že Ò ½ a 1. ¼ a všechna
VíceTGH06 - Hledání nejkratší cesty
TGH06 - Hledání nejkratší cesty Jan Březina Technical University of Liberec 26. března 2013 Motivační problémy Silniční sít reprezentovaná grafem. Najdi nejkratší/nejrychlejší cestu z místa A do místa
VíceTGH09 - Barvení grafů
TGH09 - Barvení grafů Jan Březina Technical University of Liberec 15. dubna 2013 Problém: Najít obarvení států na mapě tak, aby žádné sousední státy neměli stejnou barvu. Motivační problém Problém: Najít
VícePlánování v prostoru plánů
Plánování v prostoru plánů 5. dubna 2018 Zdroj: Roman Barták, přednáška Umělá inteligence II, Matematicko-fyzikální fakulta, Karlova univerzita v Praze, 2014. http: // kti. ms. mff. cuni. cz/ ~bartak/
VíceJan Březina. Technical University of Liberec. 21. dubna 2015
TGH11 - Maximální párování a související problémy Jan Březina Technical University of Liberec 21. dubna 2015 Bipartitní grafy Bipartitní graf - je obarvitelný dvěma barvami. Tj. V lze rozělit na disjunktní
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
Víceu odpovědí typu A, B, C, D, E: Obsah: jako 0) CLP Constraint Logic Programming
Průběžná písemná práce Průběžná písemná práce Obsah: Průběžná písemná práce Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ délka pro vypracování: 25 minut nejsou povoleny žádné materiály
Více1. Prohledávání stavového prostoru
Obsah 1. Prohledávání stavového prostoru... 2 1.1. Základní informace... 2 1.2. Výstupy z učení... 2 1.3. Úvod... 2 1.4. Definice stavového prostoru... 2 1.1.1. Reprezentace stavového prostoru... 3 1.1.2.
VíceHraní her. (Teorie a algoritmy hraní her) Řešení úloh hraní her. Václav Matoušek /
Hraní her (Teorie a algoritmy hraní her) 8. 3. 2019 2-1 Hraní her pro dva a více hráčů Počítač je při hraní jakékoli hry: silný v komplikovaných situacích s množstvím kombinací, má obrovskou znalost zahájení
VíceEvropský sociální fond Praha & EU: Investujeme do vaší budoucnosti
Evropský sociální fond Praha & EU: Investujeme do vaší budoucnosti MI-SOC: 11 METODY VERIFIKACE SYSTÉMŮ NA ČIPU Hana Kubátov vá doc. Ing. Hana Kubátová, CSc. Katedra číslicového návrhu Fakulta 1 informačních
VíceDijkstrův algoritmus
Dijkstrův algoritmus Hledání nejkratší cesty v nezáporně hranově ohodnoceném grafu Necht je dán orientovaný graf G = (V, H) a funkce, která každé hraně h = (u, v) H přiřadí nezáporné reálné číslo označované
VíceORIENTOVANÉ GRAFY, REPREZENTACE GRAFŮ
ORIENTOVANÉ GRAFY, REPREZENTACE GRAFŮ Doc. RNDr. Josef Kolář, CSc. Katedra teoretické informatiky, FIT České vysoké učení technické v Praze BI-GRA, LS 2/2, Lekce Evropský sociální fond Praha & EU: Investujeme
VíceFaculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague
1 / 23 Faculty of Nuclear Sciences and Physical Engineering Czech Technical University in Prague 2 / 23 biologové často potřebují najít často se opakující sekvence DNA tyto sekvence bývají relativně krátké,
VíceDynamické datové struktury II.
Dynamické datové struktury II. Stromy. Binární vyhledávací strom. DFS. BFS. Tomáš Bayer bayertom@natur.cuni.cz Katedra aplikované geoinformatiky a kartografie, Přírodovědecká fakulta UK. Tomáš Bayer bayertom@natur.cuni.cz
VíceZdůvodněte, proč funkce n lg(n) roste alespoň stejně rychle nebo rychleji než než funkce lg(n!). Symbolem lg značíme logaritmus o základu 2.
1 3 4 5 6 7 8 9 10 11 1 13 14 15 16 17 18 19 0 1 3 4 5 6 7 8 9 30 31 3 Zdůvodněte, proč funkce f(n) = n log(n) 1 n 1/ roste rychleji než funkce g(n) = n. Zdůvodněte, proč funkce f(n) = n 3/ log(n) roste
VíceOptimalizační algoritmy inspirované chováním mravenců
Optimalizační algoritmy inspirované chováním mravenců Biologická analogie ACO metaheuristic Ant system a jeho modifikace Specifikace problémů Aplikace Motivace NP-hard problémy časová náročnost nalezení
VíceUNIVERZITA PARDUBICE
UNIVERZITA PARDUBICE Fakulta elektrotechniky a informatiky Programová realizace jednoduché strategické hry Květoslav Čáp Bakalářská práce 2010 Prohlášení autora Prohlašuji, že jsem tuto práci vypracoval
VíceALGORITMY A DATOVÉ STRUKTURY
Název tématického celku: Cíl: ALGORITMY A DATOVÉ STRUKTURY Metodický list č. 1 Časová složitost algoritmů Základním cílem tohoto tematického celku je vysvětlení potřebných pojmů a definic nutných k popisu
VíceStromy. Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy
Stromy úvod Stromy Strom: souvislý graf bez kružnic využití: počítačová grafika seznam objektů efektivní vyhledávání výpočetní stromy rozhodovací stromy Neorientovaný strom Orientovaný strom Kořenový orientovaný
VíceAlgoritmy pro hraní tahových her
Algoritmy pro hraní tahových her Klasické deskové hry pro dva hráče: Šachy Dáma Go Piškvorky Reversi Oba hráči mají úplnou znalost pozice (na rozdíl např. od Pokeru). 1 Základní princip Hraní tahových
VíceTGH06 - Hledání nejkratší cesty
TGH06 - Hledání nejkratší cesty Jan Březina Technical University of Liberec 31. března 2015 Motivační problémy Silniční sít reprezentovaná grafem. Ohodnocené hrany - délky silnic. Najdi nejkratší/nejrychlejší
VíceVyhledávání. doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava. Prezentace ke dni 12.
Vyhledávání doc. Mgr. Jiří Dvorský, Ph.D. Katedra informatiky Fakulta elektrotechniky a informatiky VŠB TU Ostrava Prezentace ke dni 12. září 2016 Jiří Dvorský (VŠB TUO) Vyhledávání 201 / 344 Osnova přednášky
VíceZnalostní technologie proč a jak?
Znalostní technologie proč a jak? Peter Mikulecký Kamila Olševičová Daniela Ponce Univerzita Hradec Králové Motivace 1993 vznik Fakulty řízení a informační technologie na Vysoké škole pedagogické v Hradci
VíceAlgoritmy a datové struktury
Algoritmy a datové struktury Stromy 1 / 32 Obsah přednášky Pole a seznamy Stromy Procházení stromů Binární stromy Procházení BS Binární vyhledávací stromy 2 / 32 Pole Hledání v poli metodou půlení intervalu
VíceObsah: CLP Constraint Logic Programming. u odpovědí typu A, B, C, D, E: jako 0)
Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Průběžná písemná práce Úvod do umělé inteligence 6/12 1 / 17 Průběžná písemná práce Průběžná písemná práce délka pro vypracování: 25
VíceIUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence. Jméno: Třída: Rok:
IUVENTAS Soukromé gymnázium a Střední odborná škola, s. r. o. Umělá inteligence Jméno: Třída: Rok: Prohlašuji, že mnou předložená práce je mým původním autorským dílem, které jsem vypracoval/a samostatně.
Více10. Techniky formální verifikace a validace
Fakulta informačních technologií MI-NFA, zimní semestr 2011/2012 Jan Schmidt EVROPSKÝ SOCIÁLNÍ FOND PRAHA & EU: INVESTUJENE DO VAŠÍ BUDOUCNOSTI 10. Techniky formální verifikace a validace 1 Simulace není
VíceObsah: Hry vs. Prohledávání stavového prostoru Algoritmus Minimax. Nedeterministické hry Hry s nepřesnými znalostmi
Hry a základní herní strategie Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Statistické výsledky průběžné písemky Hry vs. Prohledávání stavového prostoru Algoritmus Minimax Algoritmus
VíceReprezentace znalostí - úvod
Reprezentace znalostí - úvod Úvod do znalostního inženýrství, ZS 2015/16 6-1 Co je to znalost? Pojem znalost zahrnuje nejen teoretické vědomosti člověka z dané domény, ale také jeho dlouhodobé zkušenosti
VíceObsah: Hry vs. Prohledávání stavového prostoru Algoritmus Minimax. Nedeterministické hry Hry s nepřesnými znalostmi. 72 studentů
Hry a základní herní strategie Aleš Horák E-mail: hales@fi.muni.cz http://nlp.fi.muni.cz/uui/ Obsah: Statistické výsledky průběžné písemky Hry vs. Prohledávání stavového prostoru Algoritmus Minimax Algoritmus
VíceTéma 48 (dříve 47) Martin Staviař, staviarm@centrum.cz. 16. srpna 2006
Téma 48 (dříve 47) Martin Staviař, staviarm@centrum.cz 16. srpna 2006 Rozpoznávání a vnímání. Statistický (příznakový) a strukturní přístup. Klasifikátory a jejich učení. Cíle umělé inteligence. Reprezentace
Více